人工智慧或許已主導了企業董事會的議程，但許多企業卻發現，有意義地採用AI的最大障礙在於其資料現狀。儘管面向消費者的AI工具以其速度和便捷性令使用者驚嘆，企業領導者卻發現，要大規模部署AI，需要的是遠不如表面光鮮，卻更具關鍵影響力的東西：一個統一、受控且符合目的的資料基礎設施。

AI雄心與企業準備度之間的落差，正成為下一階段數位轉型的關鍵挑戰之一。正如Databricks資深副總裁Bavesh Patel所言：「AI的品質及其有效性，實質上取決於您組織內的資訊。」然而，在許多公司中，這些資訊仍分散於老舊系統、孤立應用程式和不相容的格式之間，使得AI系統幾乎不可能生成值得信賴且具備豐富情境的輸出。

Patel表示：「對大多數組織而言，真正的競爭差異化優勢在於其自身的資料，以及他們能在此基礎上添加的第三方資料。」

為了讓企業AI發揮價值，資料必須整合為開放格式，精確地進行治理，並在各職能部門之間實現可存取性。若缺乏此基礎，企業將面臨Patel直言的「糟糕AI」。這意味著要超越孤立的SaaS平台和不相連的儀表板，轉向統一、開放的資料架構，該架構能夠結合結構化與非結構化資料，保留即時情境，並實施嚴格的存取控制。當基礎工作正確奠定後，組織就能邁向可衡量的成果，釋放效率、自動化複雜工作流程，甚至開創全新的業務線。

Infosys單位技術長Rajan Padmanabhan指出，這種對價值的關注至關重要，尤其當企業在驅動業務決策的輸出中尋求精確性時。領先企業不再將AI專案視為孤立的創新計畫，而是將AI部署直接與業務指標掛鉤，利用治理框架來判斷哪些能帶來成果，哪些應迅速放棄。

Patel補充道：「我們看到商務使用者在AI素養方面存在巨大機會，他們非常渴望了解應如何思考AI。當您揭開AI的表層時，它意味著什麼？從技術、培訓和賦能的角度來看，您需要哪些組成部分和基石？」

未來的可能性是巨大的。隨著AI代理從協作助理演變為能夠管理工作流程和交易的自主操作者，現在就建立正確基礎的組織將會是贏家。

Padmanabhan指出：「我們所看到的一種新思維方式，是從執行系統或互動系統轉向行動系統。這是我們展望未來的新途徑。」

企業中AI的未來，將取決於企業能否將碎片化資訊轉化為戰略資產，進而推動更明智的決策和全新的營運方式。

_本集《商業實驗室》節目由 Infosys Topaz 合作製作。_

完整逐字稿：

_Megan Tatum:_ 我是MIT Technology Review的Megan Tatum，這裡是《商業實驗室》，一個幫助企業領導者理解從實驗室走向市場的新科技的節目。

本集節目由 Infosys Topaz 合作製作。

如今，AI的最新進展或許已開啟了一些引人注目的新型工業應用，但由於依賴不足的資料模型，許多企業正遭遇瓶頸。特別是AI和代理式AI對資料提出了全新的要求。這項技術需要更大的存取權限、更豐富的情境和更完善的防護措施才能有效運作。現有的資料模型往往不足，它們過於碎片化或孤立，資料本身也常缺乏品質。為了彌補這一差距，它們需要進行AI就緒的升級。兩個詞送給您：資料重構。

我今天的來賓是Databricks市場推廣資深副總裁Bavesh Patel，以及Infosys資料分析與AI部門技術長Rajan Padmanabhan。

歡迎Bavesh和Rajan。

_Rajan Padmanabhan:_ 謝謝。感謝邀請我們。

_Bavesh Patel:_ 感謝邀請我們。

_Megan:_ 太棒了。非常感謝兩位今天加入我們。Bavesh，如果我能先請教您，當我們談論「AI就緒資料」時，究竟是什麼意思？AI對資料提出了哪些新要求，這又如何影響資料的結構和使用方式？

_Bavesh:_ 是的，很好的問題。感謝您今天邀請我們。我認為顯然整個世界都為AI著迷，因為我們作為使用者都能看到它的強大力量。AI現在已經普及到數億使用者。當我們思考企業和公司如何使用AI時，AI的品質及其有效性，實質上取決於您組織內的資訊，也就是資料。

我們發現，大多數企業的資料都鎖在不同的應用程式和系統中。很難全面了解「我的所有資料是什麼？它有多值得信賴？它有多新穎？」所有這些都將注入AI。除非您對資料有適當的理解，並能確保資料的準確性且可用於AI利用，否則您最終將會得到「糟糕的AI」。

我們看到許多客戶花時間清理資料、組織資料，並確保其存取控制正確，這往往是良好AI的燃料。

_Megan:_ 是的。這是一個如此基礎性的事物，不是嗎？但我認為它很容易被忽視。Rajan，擁有AI就緒資料對於企業釋放AI及其應用的全部潛力，究竟能帶來什麼不同？

_Rajan:_ 首先，感謝邀請我們。很高興能參與。我認為延續Bavesh所談的，資料和AI幾乎是同義詞。同樣地，消費者AI、企業AI和企業代理式AI是不同的，因為首先，企業需要具備情境。來自您企業資訊的情境，不僅包括結構化資料，還有非結構化資料和使用者生成內容以及所有形式的資料，對於正確理解情境並真正獲得您選擇的任何模型都至關重要。

這就是像Databricks這樣的平台真正能提供幫助的地方，無論是提供眾多模型，還是讓您建立自己的模型，或是根據您的資料來基礎化模型。這將非常關鍵。這就是為AI準備資料將非常關鍵的地方。第三個關鍵部分，這實際上將是AI採用的一個障礙。這就是為什麼您會看到消費者端的AI採用率飆升，而企業端卻在掙扎，主要是因為其輸出的精確度。

因為您正在做出商業決策，例如購買決策、銷售決策，或者您正在嘗試推薦某些內容。這可能有20種不同的使用案例。為此，精確度將非常關鍵。我們看到我們的客戶，那些成功的客戶，對於精確度超過92%並非抱負，而是必須達成的目標。如果您能做到這一點，那麼AI資料無疑將成為目前的關鍵推動者。

_Megan:_ 我想，既然我們已經闡述了這有多麼關鍵，那麼企業應該從何處著手呢？或許是專業層面，建立AI就緒資料模型的基礎是什麼？

_Bavesh:_ 是的。我認為Rajan說得非常對。我的意思是，企業面臨的問題與消費者AI不同。首先，您必須掌握您的資料。正如我所說，許多資料都被鎖定。確保您能夠將資料放置在一個可以全面了解盡可能多資料的地方。這始於將資料置於開放格式。如今，組織中許多有價值的資料都鎖在某些專有SaaS應用程式或系統中，所有資料集都沒有連接在一起以形成情境。

第一步是真正分析您的資料資產是什麼？哪些關鍵資料需要放置在一個您可以開始理解它們以及它們如何相互連接的地方？思考如何建立您的資料目錄，思考資料資產之間的關係如何運作，並圍繞它建立資料治理，這似乎是第一步。如果您想想ChatGPT是如何建立的，它收集了網路上所有的資料，然後進行聚合、綜合，再建立這些Transformer模型，然而企業內部，他們並沒有真正掌握組織內的所有資料。

這是您真正需要考慮的第一個基礎。第二件事是，您不希望只是隨意地進行隨機的AI專案。您真的需要考慮業務價值。我們的許多客戶更具戰略性地看待AI，他們希望能夠啟動成功的專案，然後產生業務價值。建立一個與您的資料組織程度相關聯的AI價值路線圖，這兩件事似乎是您如何在組織中成功啟動AI的基礎。

_Megan:_ 價值這一點非常重要，不是嗎？據我了解，Infosys和Databricks一直密切合作，引導組織進行這項轉型。Rajan，我想知道您能否分享一些您合作過的企業所看到的影響案例，這對他們整合更複雜的AI和代理式AI應用程式的方式產生了什麼不同？

_Rajan:_ 嗯，這是一個非常好的問題。Databricks和Infosys所做的是，我們首先提出了一種框架。首先，一切都必須從價值開始。我們與一家最大的食品產品公司合作，我們應用了這個框架。該框架包含六個不同的部分。首先，最關鍵的是價值管理，Bavesh也提到了這一點。

我們共同提出了一個3M衡量框架，我們稱之為適應性、業務價值，然後是責任。您不能只是隨意進行一個車庫專案。它必須是可衡量的。它應該是負責任的，遵循所有這些原則。這將非常關鍵。我們幫助這位客戶優先排序，這將為他們所做的投資帶來最大的價值。這裡的第二個關鍵部分是，現今大多數企業並非都是「AI原生」公司。

它們大多誕生於類比時代；大多數誕生於數位時代。有些公司正在將AI應用於現代化，因為您的許多歷史資訊實際上正在幫助您建立長期的情境。這就是我們與Databricks的一些原生工具，例如Lakebridge或現有的AI助理密切合作的地方，然後在其之上建立可組合的服務，以幫助客戶釋放價值。